cv::KalmanFilter 類參考

卡爾曼濾波器類。 更多...

#include <opencv2/video/tracking.hpp>

cv::KalmanFilter 的協作圖

公共成員函式
	KalmanFilter ()
	KalmanFilter (int dynamParams, int measureParams, int controlParams=0, int type=CV_32F)
const Mat &	correct (const Mat &measurement)
	從測量值更新預測狀態。
void	init (int dynamParams, int measureParams, int controlParams=0, int type=CV_32F)
	重新初始化卡爾曼濾波器。之前的內容將被銷燬。
const Mat &	predict (const Mat &control=Mat())
	計算預測狀態。

公共屬性
Mat	controlMatrix
	控制矩陣 (B)（如果沒有控制則不使用）
Mat	errorCovPost
	後驗誤差估計協方差矩陣 (P(k)): P(k)=(I-K(k)*H)*P'(k)
Mat	errorCovPre
	先驗誤差估計協方差矩陣 (P'(k)): P'(k)=A*P(k-1)*At + Q)*‍/
Mat	gain
	卡爾曼增益矩陣 (K(k)): K(k)=P'(k)*Ht*inv(H*P'(k)*Ht+R)
Mat	measurementMatrix
	測量矩陣 (H)
Mat	measurementNoiseCov
	測量噪聲協方差矩陣 (R)
Mat	processNoiseCov
	過程噪聲協方差矩陣 (Q)
Mat	statePost
	校正後的狀態 (x(k)): x(k)=x'(k)+K(k)*(z(k)-H*x'(k))
Mat	statePre
	預測狀態 (x'(k)): x(k)=A*x(k-1)+B*u(k)
Mat	temp1
Mat	temp2
Mat	temp3
Mat	temp4
Mat	temp5
Mat	transitionMatrix
	狀態轉移矩陣 (A)

詳細描述

卡爾曼濾波器類。

該類實現了一個標準的卡爾曼濾波器 http://en.wikipedia.org/wiki/Kalman_filter, [299]。 但是，您可以修改 transitionMatrix、controlMatrix 和 measurementMatrix 以獲得擴充套件的卡爾曼濾波器功能。

注意

在 C API 中，當不再需要 CvKalman* kalmanFilter 結構時，應使用 cvReleaseKalman(&kalmanFilter) 釋放它。

示例

samples/cpp/kalman.cpp.

建構函式 & 解構函式文件

KalmanFilter() [1/2]

cv::KalmanFilter::KalmanFilter

(

)

Python
	cv.KalmanFilter(		) ->	<KalmanFilter 物件>
	cv.KalmanFilter(	dynamParams, measureParams[, controlParams[, type]]	) ->	<KalmanFilter 物件>

KalmanFilter() [2/2]

cv::KalmanFilter::KalmanFilter	(	int	dynamParams,
		int	measureParams,
		int	controlParams = 0,
		int	type = CV_32F )

Python
	cv.KalmanFilter(		) ->	<KalmanFilter 物件>
	cv.KalmanFilter(	dynamParams, measureParams[, controlParams[, type]]	) ->	<KalmanFilter 物件>

這是一個過載的成員函式，為方便起見而提供。它與上述函式的不同之處僅在於它接受的引數。

引數

dynamParams	狀態的維度。
measureParams	測量的維度。
controlParams	控制向量的維度。
type	應為 CV_32F 或 CV_64F 的已建立矩陣的型別。

成員函式文件

correct()

const Mat & cv::KalmanFilter::correct

(

const Mat &

measurement

)

Python
	cv.KalmanFilter.correct(	measurement	) ->	retval

從測量值更新預測狀態。

引數

measurement

測量的系統引數

init()

void cv::KalmanFilter::init	(	int	dynamParams,
		int	measureParams,
		int	controlParams = 0,
		int	type = CV_32F )

重新初始化卡爾曼濾波器。之前的內容將被銷燬。

引數

dynamParams	狀態的維度。
measureParams	測量的維度。
controlParams	控制向量的維度。
type	應為 CV_32F 或 CV_64F 的已建立矩陣的型別。

predict()

const Mat & cv::KalmanFilter::predict

(

const Mat &

control = Mat()

)

Python
	cv.KalmanFilter.predict(	[, control]	) ->	retval

計算預測狀態。

引數

control

可選的輸入控制

成員資料文件

controlMatrix

Mat cv::KalmanFilter::controlMatrix

控制矩陣 (B)（如果沒有控制則不使用）

errorCovPost

Mat cv::KalmanFilter::errorCovPost

後驗誤差估計協方差矩陣 (P(k)): P(k)=(I-K(k)*H)*P'(k)

errorCovPre

Mat cv::KalmanFilter::errorCovPre

先驗誤差估計協方差矩陣 (P'(k)): P'(k)=A*P(k-1)*At + Q)*‍/

gain

Mat cv::KalmanFilter::gain

卡爾曼增益矩陣 (K(k)): K(k)=P'(k)*Ht*inv(H*P'(k)*Ht+R)

measurementMatrix

Mat cv::KalmanFilter::measurementMatrix

測量矩陣 (H)

measurementNoiseCov

Mat cv::KalmanFilter::measurementNoiseCov

測量噪聲協方差矩陣 (R)

processNoiseCov

Mat cv::KalmanFilter::processNoiseCov

過程噪聲協方差矩陣 (Q)

statePost

Mat cv::KalmanFilter::statePost

校正後的狀態 (x(k)): x(k)=x'(k)+K(k)*(z(k)-H*x'(k))

statePre

Mat cv::KalmanFilter::statePre

預測狀態 (x'(k)): x(k)=A*x(k-1)+B*u(k)

temp1

Mat cv::KalmanFilter::temp1

temp2

Mat cv::KalmanFilter::temp2

temp3

Mat cv::KalmanFilter::temp3

temp4

Mat cv::KalmanFilter::temp4

temp5

Mat cv::KalmanFilter::temp5

transitionMatrix

Mat cv::KalmanFilter::transitionMatrix

狀態轉移矩陣 (A)

---

此類文件是從以下檔案生成的

• opencv2/video/tracking.hpp